使用基于物理学的神经网络和断层区域声学监测来预测实验室地震

科学领域:

• 地质物理学 地质物理学
• 材料科学 材料科学 材料科学
• 人工智能的人工智能

背景情况:

• 预测固体材料的故障,包括地震,是一个重大挑战.
• 目前的数据驱动机器学习模型显示出希望,但面临着可扩展性问题,缺乏对现实应用的物理理解.

研究的目的:

• 开发一种可扩展的机器学习模型,用于固体中的故障预测.
• 提高模型对新条件的可转移性,减少对大数据集的依赖.
• 增强对控制故障预测的基础物理学的理解.

主要方法:

• 开发了一个新的物理信息神经网络 (PINN).
• 将故障物理直接编码到深度学习模型的损失函数中.
• 利用时间间隔超声波数据进行培训和验证.

主要成果:

• 与纯数据驱动模型相比,PINN模型表现出更高的性能.
• 在转移学习能力方面取得了显著的改进,特别是在有限的数据下.
• 在训练期间未遇到的条件下表现更好.

结论:

• 在地质学和材料科学中,PINNs为基于机器学习的故障预测提供了一个有前途的方法.
• 这种方法解决了可扩展性的局限性,并提高了模型的通用性.
• 这项研究为推进地震物理理解和预测能力提供了一条途径.